Microsoft PowerPoint - 【梅村】修論発表会用PPT(IM07F039梅村).ppt [互換モード]

修士論文発表会

修士論文発表会

2009/3/13

2009/3/13

修士論文発表会

修士論文発表会

2009/3/13

2009/3/13

日本の主要都市の

日本の主要都市の

本

本

要都市

要都市

オフィスビル新規募集賃料に関する研究

オフィスビル新規募集賃料に関する研究

一橋大学大学院国際企業戦略研究科

金融戦略

経営財務

ス

金融戦略・経営財務コース

IM07F039

梅村

充

目次

目次

目次

目次

1.研究の背景と目的

2.使用データ

3.先行研究

4.仮説

5.オフィスビル新規募集賃料の概観

新規募

賃

概観

6.賃料変動率のエリア間の関係

7.賃料とマクロ変量の関係

賃料と ク 変量の関係

8.都市毎の賃料と空室率、就業者数の関係

9.まとめ

9.まとめ

10.参考文献

1

1 研究の背景と目的

研究の背景と目的

1.

1.研究の背景と目的

研究の背景と目的

◆背景

オフ スビルの価格はキ

シ フ

を適切なキ

プレ トで

・オフィスビルの価格はキャッシュフローを適切なキャップレートで

割り戻す収益還元法により決定されることが一般的である。

・キャッシュフロー変動の最大要因は賃料変動と考えられる。

・2008年の金融危機発生前の数年間に不動産価格が急激に上昇した

2008年の金融危機発生前の数年間に不動産価格が急激に上昇した

主要因は、キャッシュフローの向上ではなく、投資家の投資スタンス

の積極化に伴うキャップレートの低下であると考えられる。

・不動産市場が下落局面の現在、不動産業界に身を置くものにとって、

不動産の真の実力であるキャッシュフローの動きを把握すること、

即ち賃料の動きを正確に把握することが肝要である

即ち賃料の動きを正確に把握することが肝要である。

1

1 研究の背景と目的

研究の背景と目的

1.

1.研究の背景と目的

研究の背景と目的

◆目的

・各都市のオフィスビル募集賃料の変動の様子、特に都市間の関係

及び、マクロ変量との関係を解明する。

◆期待される成果

・オフィスビルの貸主が募集賃料を決定する際に、近傍類似案件に加

えて参考にすることが可能となる

えて参考にすることが可能となる。

・不動産マーケットの動向を解明する一つの材料を提供することにより、

不動産

ケッ

動向を解明する

材料を提供する

り、

投資家、不動産会社の投資戦略のブラッシュアップに資する。

2

2 使用データ

使用データ

2.

2.使用デ

使用デ

タ

タ

◆本研究では以下のオフィスビル新規募集賃料データを使用する。

・提供会社

シービー・リチャードエリス株式会社

・データ種別

オフィスビル新規募集平均賃料

・時点

1996年12月～2008年9月までの四半期データ（48時点）

・対象エリア

東京都心5区、横浜市、大阪市、名古屋市、仙台市、

札幌市、福岡市

3

3 先行研究

先行研究

3.

3.先行研究

先行研究

◆本研究の一部とアプローチが同様と考えられる不動産収益率をマクロ変量等

により説明することを試みた研究

により説明することを試みた研究

・森（2005）は、オフィスの空室率調整済み募集賃料とマクロ変量との関係を分析

し、空室率調整済み募集賃料を1期前の実質GDP成長率、1期前の就業者数

（金融、保険、不動産）、当期の新規供給量により説明するモデルを構築して

いる。

・Chaudhry et al. (1999)は、米国の不動産、株、債券、国債の価格指標を対象と

し、特に不動産に関しては不動産の種類（オフィス、商業、R&D施設、倉庫）

やエリア（東部、中部、南部、西部）を対象として共和分関係を求め、異なる資

産の間の長期的な均衡関係を分析している。また、複数種類の不動産の間

には共和分関係があるものの、エリア間の共和分関係が存在しないことを確

認している。

⇒これらのように、マクロ変量と不動産収益率の関係については数多くの蓄積が

⇒これらのように、マク 変量と不動産収益率の関係については数多くの蓄積が

なされているが、

賃料のエリア間の関係やエリア毎の賃料変動を個別に解明

するという研究はあまり例がない

ため、新規性があり、意義深いと考えられる。

4

4 仮説

仮説

4.

4.仮説

仮説

◆ 不動産業界の実務

・募集賃料は貸主が近傍類似案件の賃料、需給バランス、景気動向等

を踏まえて決定する。

・加えて全国展開しているデベロッパー等は、賃料決定、トレンド予測

にあたり、近傍類似案件以外の賃料動向も踏まえる。

・賃料変動のインパクト（例：1,000円/月・坪）は、地方都市ほど大きい。

◆仮説

◆仮説

・各都市の募集賃料は、自身の都市の過去の賃料水準の動向を

踏まえて変動する

・さらに、各都市の募集賃料は次のような特徴を持つと考えられる。

4

4 仮説

仮説

4.

4.仮説

仮説

◆仮説（続き）

東京

・東京

募集賃料は、需給動向、不動産市場の変動、マクロ経済の変動を

受けて他都市よりも早く、かつ大きく変動すると考えられる。

・大阪、名古屋

東京ほどではないものの需給動向や不動産市場の変動、マクロ経済

東京

需給動

動産市場

変動、

経済

の変動を受けて募集賃料が変動すると考えられる。

・横浜

横浜

東京に付随する都市という性格上、東京の変動から一定の遅れを

もって変動が発生すると考えられるが、変動幅は東京ほど大きくない

と考えられる

と考えられる。

・仙台、札幌、福岡

上記都市とは異なり マクロ経済や他都市の影響をあまり受けず

上記都市とは異なり、マクロ経済や他都市の影響をあまり受けず、

賃料変動はそれほど大きくないと考えられる。

5

5 オフィスビル新規募集賃料の概観

オフィスビル新規募集賃料の概観

5.

5.オフィスビル新規募集賃料の概観

オフィスビル新規募集賃料の概観

◆対数賃料系列（log賃料系列）のプロット

9 2 9.4 9.6 9.8 5wards 9 2 9.4 9.6 9.8 OSAKA 9 2 9.4 9.6 9.8 NAGOYA

9 6

9.7

9.8

9.0 9.2 97 9899000102 03040506 0708 9.0 9.2 9798 9900010203 04050607 08 9.0 9.2 979899 0001020304 05060708 9.6 9.8 YOKOHAMA 9.6 9.8 SENDAI 9.6 9.8 SAPPORO

9.3

9.4

9.5

9.6

9.0 9.2 9.4 97 9899000102 03040506 0708 9.0 9.2 9.4 9798 9900010203 04050607 08 9.0 9.2 9.4 979899 0001020304 05060708 FUKUOKA

9.0

9.1

9.2

9.0 9.2 9.4 9.6 9.8

8.9

97

98

99

00

01

02

03

04

05

06

07

08

5wards

OSAKA

NAGOYA

YOKOHAMA

SENDAI

SAPPORO

FUKUOKA

97 9899000102 03040506 0708

FUKUOKA

・バブル崩壊後、ITバブル、2003年問題等ありながらも、2006年まで下落。

その後、2007年後半まで上昇するが、再び下落。

そ

後、

年後半

昇す

、再

落。

・東京の賃料が他都市より明らかに高水準である。東京、大阪、横浜、仙台、

札幌は比較的賃料変動が大きいが、名古屋、福岡はそれほど大きくない。

5

5 オフィスビル新規募集賃料の概観

オフィスビル新規募集賃料の概観

5.

5.オフィスビル新規募集賃料の概観

オフィスビル新規募集賃料の概観

◆賃料変動率系列（log賃料1階階差系列）のプロット

.03

.04

.05

.00 .01 .02 .03 .04 5wards -.01 .00 .01 .02 OSAKA -.01 .00 .01 .02 NAGOYA

.00

.01

.02

.03

-.03 -.02 -.01 97989900010203 0405060708 -.03 -.02 97989900010203 0405060708 -.03 -.02 9798990001 02030405060708 .01 .02 YOKOHAMA 01 .02 .03 SENDAI .02 .04 SAPPORO

-.03

-.02

-.01

-.03 -.02 -.01 .00 97989900010203 0405060708 -.04 -.03 -.02 -.01 .00 .01 97989900010203 0405060708 -.04 -.02 .00 9798990001 02030405060708 FUKUOKA

-.04

97

98

99

00

01

02

03

04

05

06

07

08

5wards

OSAKA

NAGOYA

YOKOHAMA

SENDAI

SAPPORO

FUKUOKA

04 -.02 .00 .02 .04 .06 -.04 97989900010203 0405060708

・東京の2006年以降の上昇率が他都市よりも際立っている一方、他都市では

2006年以降の上昇率の大きさが際立っている様子は確認できない。

年以降

昇率

大

際

様

確認

な 。

5

5 オフィスビル新規募集賃料の概観

オフィスビル新規募集賃料の概観

5.

5.オフィスビル新規募集賃料の概観

オフィスビル新規募集賃料の概観

◆単位根検定

◇各種時系

析

準備

定常性

確

を

う

◇各種時系列分析の準備として定常性の確認を行う。

◇各都市の対数賃料系列及び賃料変動率系列について単位根検定

（ADFテスト、PPテスト）を施す。

・ADFテスト

・PPテスト

PPテスト

◇検定の結果は以下の通り。

・対数賃料系列はADFテスト、PPテスト共に単位根あり。

・賃料変動率系列はADFテスト、PPテスト共に単位根なし。

⇒各都市の対数賃料系列をI(1)とみなして分析を進める。

5

5 オフィスビル新規募集賃料の概観

オフィスビル新規募集賃料の概観

5.

5.オフィスビル新規募集賃料の概観

オフィスビル新規募集賃料の概観

◆自己回帰移動平均モデル（ARMAモデル）

◇各都市

賃料変動率系列に対し 以

(

) デ

を

◇各都市の賃料変動率系列に対して以下のARMA(p,q)モデルを

構築する(ただし、0≦p,q≦4)。

・AR項及びMA項の次数はAIC情報量基準により決定する。

◇分析結果

◇分析結果

・東京

ARMA(2,4)

Adj. R

2

_{= 0.410}

・大阪

ARMA(4,3)

Adj. R

2

_{= 0.546}

・名古屋

ARMA(2 3)

Adj R

2

_{= 0 390}

・名古屋

ARMA(2,3)

Adj. R

2

_{= 0.390}

・横浜

ARMA(3,2)

Adj. R

2

_{= 0.404}

・仙台

ARMA(4,3)

Adj. R

2

_{= 0.142}

札幌

ARMA(4 4)

Adj R

2

_{0 631}

・札幌

ARMA(4,4)

Adj. R

2

_{= 0.631}

・福岡

ARMA(3,3)

Adj. R

2

_{= 0.281}

5

5 オフィスビル新規募集賃料の概観

オフィスビル新規募集賃料の概観

5.

5.オフィスビル新規募集賃料の概観

オフィスビル新規募集賃料の概観

◆自己回帰移動平均モデル（ARMAモデル）構築結果一覧

V i bl

C

AR(1)

AR(2)

AR(3)

AR(4)

MA(1)

MA(2)

MA(3)

MA(4)

R id l

Variable

C

AR(1)

AR(2)

AR(3)

AR(4)

MA(1)

MA(2)

MA(3)

MA(4)

Residuals

東京

Adj. R

2

Coefficient

-0.002

-0.824

0.012

-

-

1.390

0.677

0.795

0.640 Jarque-Bera

ARMA(2,4)

0.410

Std. Error

0.004

0.277

0.260

-

-

0.237

0.384

0.277

0.140

1.198

AIC

t-Statistic

-0.519

-2.979

0.045

-

-

5.867

1.763

2.872

4.578

Prob.

-6.234

Prob.

0.607

0.005

0.964

-

-

0.000

0.086

0.007

0.000

0.549

大阪

2

大阪

Adj. R

2

Coefficient

-0.003

-0.750

0.317

0.932

0.148

1.237

0.212

-1.158

- Jarque-Bera

ARMA(4,3)

0.546

Std. Error

0.007

0.386

0.416

0.245

0.231

0.463

0.657

0.558

-

1.064

AIC

t-Statistic

-0.446

-1.942

0.762

3.798

0.642

2.674

0.323

-2.074

-

Prob.

-6.848

Prob.

0.658

0.060

0.451

0.001

0.525

0.011

0.749

0.046

-

0.587

名古屋

Adj. R

2

Coefficient

-0.002

0.161

0.531

-

- -0.793

-0.831

0.135

- Jarque-Bera

ARMA(2,3)

0.390

Std. Error

0.002

0.208

0.318

-

-

0.320

0.380

0.309

-

0.230

AIC

t-Statistic

-0.904

0.771

1.668

-

- -2.475

-2.186

0.436

-

Prob.

-6.710

Prob.

0.372

0.446

0.103

-

-

0.018

0.035

0.666

-

0.891

横浜

_{Adj. R}

2

_Coefficient

_-0.004

_0.770

_-0.825

_0.179

_{- -0.472}

_0.939

_-

_{- Jarque-Bera}

ARMA(3,2)

0.404

Std. Error

0.002

0.155

0.101

0.125

-

0.046

0.026

-

-

0.427

AIC

t-Statistic

-1.805

4.977

-8.186

1.439

- -10.217

36.528

-

-

Prob.

-6.488

Prob.

0.079

0.000

0.000

0.158

-

0.000

0.000

-

-

0.808

仙台

Adj. R

2

Coefficient

-0.004

0.340

-0.057

-0.279

-0.288

-0.585

0.005

0.693

- Jarque-Bera

ARMA(4,3)

0.142

Std. Error

0.001

0.262

0.274

0.184

0.129

0.236

0.320

0.229

-

0.008

AIC

t-Statistic

-3.960

1.300

-0.209

-1.517

-2.234

-2.479

0.016

3.031

-

Prob.

-6.578

Prob.

0.000

0.202

0.835

0.138

0.032

0.018

0.988

0.005

-

0.996

札幌

Adj. R

2

Coefficient

-0.006

-0.362

-0.080

0.783

-0.131

0.383

-0.337

-2.081

0.075 Jarque-Bera

ARMA(4,4)

0.631

Std. Error

0.002

0.507

0.440

0.230

0.561

0.686

0.600

0.618

1.302

5.346

AIC

t-Statistic

-3.255

-0.715

-0.183

3.411

-0.234

0.559

-0.562

-3.368

0.057

Prob.

-6.160

Prob.

0.003

0.479

0.856

0.002

0.817

0.580

0.578

0.002

0.955

0.069

福岡

Adj. R

2

Coefficient

-0.003

-0.098

-0.037

0.495

-

0.328

0.250

-0.711

- Jarque-Bera

ARMA(3,3)

0.281

Std. Error

0.002

0.234

0.193

0.170

-

0.244

0.243

0.256

-

0.068

AIC

t-Statistic

-1.328

-0.421

-0.189

2.908

-

1.343

1.030

-2.782

-

Prob.

-6.617

Prob.

0.192

0.676

0.851

0.006

-

0.187

0.310

0.009

-

0.967

6.

6.賃料変動率のエリア間の関係

賃料変動率のエリア間の関係

--グレンジャー因果性

グレンジャー因果性-

-◆グレンジャー因果性（賃料変動率系列に対して適用）

5WARDS

OSAKA

NAGOYA

YOKOHAMA

SENDAI

SAPPORO

FUKUOKA

5WARDS

○

lag 1

×

○

lag 1 2 3 4

○

lag 1 2 3

×

○

lag 1 2 3

Y

X causes Y. （○：有意水準5%）

lag 1

lag 1,2,3,4

lag 1,2,3

lag 1,2,3

OSAKA

×

○

lag 1,2,3,4

×

×

×

○

lag 1,2,3,4

NAGOYA

×

×

×

×

×

×

YOKOHAMA

×

○

lag 1

○

lag 3,4

×

×

×

SENDAI

○

lag 1

○

lag 4

○

lag 3

×

×

×

X

SAPPORO

×

×

×

×

○

lag 1,2,3,4

×

FUKUOKA

×

○

lag 1

×

×

○

lag 1

×

・東京は、多くの都市にグレンジャーの意味での因果性を与えている。

・大阪、名古屋はほとんどグレンジャーの意味での因果性を与えていない。

6.

6.賃料変動率のエリア間の関係

賃料変動率のエリア間の関係

--共和分関係

共和分関係-

-◆共和分関係（対数賃料系列に対して適用）

（例）（_5wards）

_t

＝θ（osaka ）

_t

+ u

_t

lag1

lag2

lag3

lag4

_5wards

osaka

Trace

0

0

1

0

Max-Eig

0

0

1

0

nagoya

Trace

1

0

0

0

lag1

lag2

lag3

lag4

nagoya

yokohama

Trace

1

1

0

2

Max-Eig

1

0

0

0

sendai

Trace

1

0

0

0

g y

Max-Eig

0

0

0

0

yokohama

Trace

0

0

1

0

Max-Eig

0

0

1

0

sendai

Trace

0

0

0

0

Max-Eig

0

0

0

0

T

0

0

0

0

Max-Eig

1

0

0

0

sapporo

Trace

0

0

0

0

Max-Eig

0

0

0

0

fukuoka

Trace

0

0

0

0

Max-Eig

0

0

0

0

k h

sapporo

Trace

0

0

0

0

Max-Eig

0

0

0

0

fukuoka

Trace

1

0

0

0

Max-Eig

0

0

0

0

osaka

nagoya

Trace

0

0

0

0

yokohama

sendai

Trace

1

0

0

2

Max-Eig

1

0

0

0

sapporo

Trace

0

0

0

0

Max-Eig

0

0

0

0

fukuoka

Trace

1

0

0

2

nagoya

Trace

0

0

0

0

Max-Eig

0

0

0

0

yokohama

Trace

1

0

0

1

Max-Eig

1

0

0

0

sendai

Trace

0

0

0

0

Max-Eig

0

0

0

0

fukuoka

Trace

1

0

0

2

Max-Eig

0

0

0

2

sendai

sapporo

Trace

0

0

0

0

Max-Eig

0

0

0

0

fukuoka

Trace

0

1

0

0

sapporo

Trace

0

0

0

0

Max-Eig

0

0

0

0

fukuoka

Trace

0

0

0

2

Max-Eig

0

0

0

2

Max-Eig

0

1

0

0

sapporo

fukuoka

Trace

0

0

0

0

Max-Eig

0

0

0

0

6.

6.賃料変動率のエリア間の関係

賃料変動率のエリア間の関係

--VAR

VARモデル構築

モデル構築-

-◆ VARモデル構築（賃料変動率系列に対して適用）

(例)2変量VAR(2)モデル

・VARのパラメーター数はn(np+1)+n(n+1)/2で与えられる

・VARのパラメーター数はn(np+1)+n(n+1)/2で与えられる。

n: 変量数, p: lag数

・3変量、2時点前 ： 3*(3*2+1)+3*(3+1)/2=21+6=27

・2変量 4時点前 ： 2*(2*4+1)+2*(2+1)/2=18+10=28

2変量、4時点前 ： 2*(2*4+1)+2*(2+1)/2 18+10 28

⇒48時点とデータ数に限りがあるため、3変量1，2時点前、2変量1～4時点前の

モデルを構築する。

6.

6.賃料変動率のエリア間の関係

賃料変動率のエリア間の関係

--VAR

VARモデル構築

モデル構築-

-◆構築するVARモデル

都市

デ

（

）

・2都市VARモデル（lag1～4）

・3都市VARモデル（lag1, 2）

（例）東京、大阪のVAR（lag1）モデル

（

⊿

5wards） ＝C

₁

+φ

_{1 1}

（

⊿

5wards ）

₁

+φ

_{1 2}

（

⊿

osaka ）

₁

+ε

₁

（

⊿

_5wards）

_t

C

₁

+φ

_1,1

（

⊿

_5wards ）

_t-1

+φ

_1,2

（

⊿

osaka ）

_t-1

+ε

_1,t

6.

6.賃料変動率のエリア間の関係

賃料変動率のエリア間の関係

--VAR

VARモデル構築

モデル構築-

-◆構築されたモデルの例

仙台 札幌のVAR(l 1）モデル

・仙台、札幌のVAR(lag1）モデル

Variable

Δy

1,t-1

Δy

2,t-1

C

y

1,t

Adj. R

2

Coefficient

-0.257

-0.259

-0.006

仙台

0 265

Std E

0 120

0 079

0 001

⇒仙台のAdj.R

2

_=0.265は、

ARMA(4,3)の Adj. R

2

_=0.142

よりも向上

仙台

0.265

Std. Error

-0.120

-0.079

-0.001

t-Statistic

-2.152

-3.268

-4.365

y

2,t

Adj. R

2

Coefficient

0.159

-0.113

-0.005

札幌

-0.026

Std. Error

-0.231

-0.153

-0.003

t-Statistic

0.688

-0.736

-1.912

よりも向上。

.012

.016

.020

Response of SAPPORO to SAPPORO

.012

.016

.020

Response of SAPPORO to SENDAI

Response to Cholesky One S.D. Innovations

60

80

100

Percent SAPPORO variance due to SAPPORO

60

80

100

Percent SAPPORO variance due to SENDAI

Variance Decomposition

-.004

.000

.004

.008

1

2

3

4

5

6

7

8

9

10

-.004

.000

.004

.008

1

2

3

4

5

6

7

8

9

10

0

20

40

60

1

2

3

4

5

6

7

8

9

10

0

20

40

60

1

2

3

4

5

6

7

8

9

10

.0025

.0050

.0075

.0100

Response of SENDAI to SAPPORO

.0025

.0050

.0075

.0100

Response of SENDAI to SENDAI

40

60

80

100

Percent SENDAI variance due to SAPPORO

40

60

80

100

Percent SENDAI variance due to SENDAI

-.0050

-.0025

.0000

1

2

3

4

5

6

7

8

9

10

-.0050

-.0025

.0000

1

2

3

4

5

6

7

8

9

10

0

20

40

1

2

3

4

5

6

7

8

9

10

0

20

40

1

2

3

4

5

6

7

8

9

10

6.

6.賃料変動率のエリア間の関係

賃料変動率のエリア間の関係

--VEC

VECモデル構築

モデル構築-

-◆ VECモデル構築（賃料変動率系列に対して適用）

A：n×h行列

B：n×h行列

(例)2変量VEC(2)モデル

6.

6.賃料変動率のエリア間の関係

賃料変動率のエリア間の関係

--VEC

VECモデル構築

モデル構築-

-◆構築するVECモデル

都市

デ

（

）

・2都市VECモデル（lag1～4）

・3都市VECモデル（lag1, 2）

（例）東京、大阪のVEC（lag1）モデル

（

⊿

5wards） ＝C

₁

+ζ

_{1 1}

（

⊿

5wards ）

₁

+ζ

_{1 2}

（

⊿

osaka ）

₁

（

⊿

_5wards）

_t

C

₁

+ζ

_1,1

（

⊿

_5wards ）

_t-1

+ζ

_1,2

（

⊿

osaka ）

_t-1

+a

₁

{b

₁

(_5wards）

_t-1

+ b

₂

(osaka）

_t-1

} +ε

_1,t

（

⊿

osaka）

_t

＝C

₂

+ζ

_2,1

（

⊿

_5wards ）

_t-1

+ζ

_2,2

（

⊿

osaka ）

_t-1

6.

6.賃料変動率のエリア間の関係

賃料変動率のエリア間の関係

--VEC

VECモデル構築

モデル構築-

-◆構築されたモデルの例

東京 名古屋 仙台のVEC (l 1）モデル

・東京、名古屋、仙台のVEC (lag1）モデル

Variable

y

y

y

C

Error Collection

Variable

y

_1,t-1

y

_2,t-1

y

_3,t-1

C

y

_1,t

東京

Coefficient

1.000

-5.458

1.625

25.703

y

_2,t

名古屋

Std. Error

-

-0.999

-0.484

-y

_{3 t}

仙台

t-Statistic

-

-5.464

3.358

-y

_3,t

仙台

t Statistic

5.464

3.358

Variable

CointEq1 Δy

_1,t-1

Δy

_2,t-1

Δy

_3,t-1

C

y

_{1 t}

Adj R

2

Coefficient

0.015

0.449

0.061

0.344

0.001

y

_1,t

Adj. R

Coefficient

0.015

0.449

0.061

0.344

0.001

東京

0.293

Std. Error

-0.034

-0.140

-0.182

-0.161

-0.002

t-Statistic

0.436

3.206

0.335

2.140

0.418

y

_2,t

Adj. R

2

Coefficient

0.118

-0.026

-0.109

-0.289

-0.003

名古屋

0.427

Std. Error

-0.024

-0.098

-0.128

-0.113

-0.001

名古屋

t-Statistic

4.893

-0.261

-0.856

-2.567

-2.138

y

_3,t

Adj. R

2

Coefficient

0.005

0.261

-0.189

-0.358

-0.005

仙台

0.187

Std. Error

-0.028

-0.115

-0.150

-0.132

-0.001

t-Statistic

0.162

2.269

-1.263

-2.720

-3.436

6.

6.賃料変動率のエリア間の関係

賃料変動率のエリア間の関係

--VEC

VECモデル構築

モデル構築-

-◆構築されたモデルの例

東京 名古屋 仙台のVEC (l 1）モデル

・東京、名古屋、仙台のVEC (lag1）モデル

.020 .025

Response of _5WARDS to _5WARDS

.020 .025

Response of _5WARDS to SENDAI

.020 .025

Response of _5WARDS to NAGOYA

Response to Cholesky One S.D. Innovations

80 100

Percent _5WARDS vari ance due to _5WARDS

80 100

Percent _5WARDS vari ance due to SENDAI

80 100

Percent _5WARDS vari ance due to NAGOYA

Variance Decomposition

-.005 .000 .005 .010 .015 1 2 3 4 5 6 7 8 9 10 -.005 .000 .005 .010 .015 1 2 3 4 5 6 7 8 9 10 -.005 .000 .005 .010 .015 1 2 3 4 5 6 7 8 9 10 010

Response of SENDAI to _5WARDS 010

Response of SENDAI to SENDAI 010

Response of SENDAI to NAGOYA

0 20 40 60 80 1 2 3 4 5 6 7 8 9 10 0 20 40 60 80 1 2 3 4 5 6 7 8 9 10 0 20 40 60 80 1 2 3 4 5 6 7 8 9 10

Percent SENDAI vari ance due to _5WARDS Percent SENDAI vari ance due to SENDAI Percent SENDAI vari ance due to NAGOYA

-.002 .000 .002 .004 .006 .008 .010 1 2 3 4 5 6 7 8 9 10 -.002 .000 .002 .004 .006 .008 .010 1 2 3 4 5 6 7 8 9 10 -.002 .000 .002 .004 .006 .008 .010 1 2 3 4 5 6 7 8 9 10 0 20 40 60 80 100 1 2 3 4 5 6 7 8 9 10 0 20 40 60 80 100 1 2 3 4 5 6 7 8 9 10 0 20 40 60 80 100 1 2 3 4 5 6 7 8 9 10 -.002 .000 .002 .004 .006 .008

Response of NAGOYA to _5WARDS

-.002 .000 .002 .004 .006 .008

Response of NAGOYA to SENDAI

-.002 .000 .002 .004 .006 .008

Response of NAGOYA to NAGOYA

20 40 60 80 100

Percent NAGOYA vari ance due to _5WARDS

20 40 60 80 100

Percent NAGOYA vari ance due to SENDAI

20 40 60 80 100

Percent NAGOYA vari ance due to NAGOYA

⇒名古屋のAdj.R

2

_{=0.427は、ARMA(2,3) のAdj. R}

2

_{=0.390よりも向上。}

-.004 1 2 3 4 5 6 7 8 9 10 -.004 1 2 3 4 5 6 7 8 9 10 -.004 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10

7

7 賃料とマクロ変量の関係

賃料とマクロ変量の関係

7.

7.賃料とマクロ変量の関係

賃料とマクロ変量の関係

◆賃料とマクロ変量の関係

・各種マクロ変量（一部変量についてはX12による季節調整を施す。）

を用いて各都市の賃料変動率を説明するモデルを構築する。

◆構築するモデル

・1都市、1マクロ変量の2変量VARモデル、VECモデル

1都市 2 ク 変量の3変量VAR デル V C デル

・1都市、2マクロ変量の3変量VARモデル、VECモデル

・2都市、1マクロ変量の3変量VARモデル、VECモデル

7

7 賃料とマクロ変量の関係

賃料とマクロ変量の関係

7.

7.賃料とマクロ変量の関係

賃料とマクロ変量の関係

◆使用するマクロ変量（I(1)のみ用いる。）

表記

マクロ変量

和分過程

GDP

実質GDP（季節調整済み）

I(1)

Earnings

企業経常利益（金融、保険以外、季節調整済み）

I(1)

Employee(Employees_real)

金融・保険・不動産就業者数

I(1)

長期国債

年物応募者利回り

( )

Bond

長期国債10年物応募者利回り

I(0)

Nikkei

日経平均

I(1)

Topix

ＴＯＰＩＸ(東証第1部)

I(1)

Market_cap

東証第1部　時価総額

I(1)

Employees all

全就業者数（季節調整済み）

I(1)

Employees_all

全就業者数（季節調整済み）

I(1)

Employees_con

建設業就業者数

I(1)

CPI

CPI（総合）

I(1)

Const_order

建設工事受注

I(1)

Const

建築着工床面積

I(0)

Prime_rate

長期プライムレート（月中平均）

I(1)

Activity_index

全産業活動指数（季節調整済み）

I(1)

DI

判断DI　業況

I(2)

CI_lead

景気動向指数CI先行系列

I(2)

C

景気動向指数C

致系列

(1)

CI_normal

景気動向指数CI一致系列

I(1)

CI_lag

景気動向指数CI遅行系列

I(2)

Nikkei_iw

日経産業天気INDEX（日経DI）

I(1)

Nikkei_w

日経景気INDEX（日経BI）

I(2)

DI employee

判断DI 雇用人員

I(1)

DI_employee

判断DI 雇用人員

I(1)

DI_fund

判断DI 資金繰り

I(1)

DI_lender

判断DI　金融機関貸出態度

I(1)

7

7 賃料とマクロ変量の関係

賃料とマクロ変量の関係

7.

7.賃料とマクロ変量の関係

賃料とマクロ変量の関係

34.00 GDP 16.6 E A RNINGS 5.60 EMPLOYEES_REAL 1.0 B OND 10.0 NIK K E I 33.80 33.85 33.90 33.95 98 00 02 04 06 08 15.4 15.6 15.8 16.0 16.2 16.4 98 00 02 04 06 08 5.40 5.44 5.48 5.52 5.56 98 00 02 04 06 08 -1.0 -0.5 0.0 0.5 98 00 02 04 06 08 9.0 9.2 9.4 9.6 9.8 98 00 02 04 06 08 6.6 6.8 7.0 7.2 7.4 7.6 T OP IX 19.2 19.4 19.6 19.8 20.0 20.2 MA RK E T _CAP 8.74 8.75 8.76 8.77 8.78 8.79 8.80 EMPLOYE ES _ALL 6.2 6.3 6.4 6.5 6.6 E MP LOY E E S_CON 4.60 4.61 4.62 4.63 4.64 4.65 CPI 98 00 02 04 06 08 98 00 02 04 06 08 98 00 02 04 06 08 98 00 02 04 06 08 98 00 02 04 06 08 15.0 15.2 15.4 15.6 CONS T _ORDER 10.4 10.6 10.8 11.0 CONS T 0.4 0.6 0.8 1.0 1.2 P RIME _RA T E 4 58 4.60 4.62 4.64 4.66 4.68

ACT IVIT Y_INDEX

4.0 4.2 4.4 4.6 4.8 DI 14.8 98 00 02 04 06 08 10.2 98 00 02 04 06 08 0.2 98 00 02 04 06 08 4.56 4.58 98 00 02 04 06 08 3.8 98 00 02 04 06 08 4.50 4.55 4.60 4.65 CI_LE A D 4.55 4.60 4.65 4.70 CI_NORMA L 4.5 4.6 4.7 CI_LA G 4.4 4.8 5.2 NIK K E I_IW 4.56 4.60 4.64 4.68 NIK K E I_W 4.35 4.40 4.45 98 00 02 04 06 08 4.40 4.45 4.50 98 00 02 04 06 08 4.3 4.4 98 00 02 04 06 08 3.6 4.0 98 00 02 04 06 08 4.48 4.52 98 00 02 04 06 08 4.7 4.8 4.9 DI_E MP LOY E E 4.6 4.7 DI_FUND 4.6 4.7 4.8 DI_LE NDER 4.68 4.72 CGP I 4.4 4.5 4.6 98 00 02 04 06 08 4.3 4.4 4.5 98 00 02 04 06 08 4.3 4.4 4.5 6 98 00 02 04 06 08 4.56 4.60 4.64 98 00 02 04 06 08

7

7 賃料とマクロ変量の関係

賃料とマクロ変量の関係

7.

7.賃料とマクロ変量の関係

賃料とマクロ変量の関係

◆構築されたモデルの例

東京 プライムレ トのVEC(l 4）モデル

・東京、プライムレートのVEC(lag4）モデル

V

bl

C

Error Collection

Variable

y

_1,t-1

y

_2,t-1

C

y

1,t

東京

Coefficient

1.000

-0.343

-9.336

y

2,t

プライムレート

Std. Error

-

-0.048

-t-Statistic

-

-7.142

-Variable

CointEq1 Δy

1,t-1

Δy

1,t-2

Δy

1,t-3

Δy

1,t-4

Δy

2,t-1

Δy

2,t-2

Δy

2,t-3

Δy

2,t-4

C

y

1,t

Adj. R

2

Coefficient

-0.172

0.195

0.137

0.293

-0.133

-0.066

-0.020

-0.050

-0.043

-0.001

東京

0.613

Std. Error

-0.035

-0.150

-0.126

-0.136

-0.159

-0.017

-0.016

-0.015

-0.015

-0.001

t-Statistic

-4.995

1.295

1.084

2.151

-0.840

-3.908

-1.227

-3.381

-2.875

-0.649

y

_2,t

Adj. R

2

Coefficient

-0.061

0.807

2.346

-2.326

-1.694

-0.112

-0.002

-0.284

-0.185

-0.009

プライムレート

-0 059

Std Error

-0 453

-1 971

-1 656

-1 784

-2 083

-0 221

-0 210

-0 193

-0 194

-0 018

プライムレ ト

0.059

Std. Error

0.453

1.971

1.656

1.784

2.083

0.221

0.210

0.193

0.194

0.018

t-Statistic

-0.135

0.410

1.416

-1.303

-0.813

-0.508

-0.007

-1.475

-0.953

-0.527

7

7 賃料とマクロ変量の関係

賃料とマクロ変量の関係

7.

7.賃料とマクロ変量の関係

賃料とマクロ変量の関係

◆構築されたモデルの例

東京 プライムレ トのVEC(l 4）モデル

・東京、プライムレートのVEC(lag4）モデル

.12

Response of PRIME_RATE to PRIME_RATE

.12

Response of PRIME_RATE to _5WARDS

Response to Cholesky One S.D. Innovations

100

Percent PRIME_RATE variance due to PRIME_RATE

100

Percent PRIME_RATE variance due to _5WARDS

Variance Decomposition

00

.04

.08

00

.04

.08

20

40

60

80

20

40

60

80

.00

1

2

3

4

5

6

7

8

9

10

.00

1

2

3

4

5

6

7

8

9

10

020

.024

.028

Response of _5WARDS to PRIME_RATE

020

.024

.028

Response of _5WARDS to _5WARDS

0

1

2

3

4

5

6

7

8

9

10

0

1

2

3

4

5

6

7

8

9

10

80

100

Percent _5WARDS variance due to PRIME_RATE

80

100

Percent _5WARDS variance due to _5WARDS

004

.000

.004

.008

.012

.016

.020

004

.000

.004

.008

.012

.016

.020

0

20

40

60

0

20

40

60

⇒東京のAdj.R

2

_{=0.613は、ARMA(2,4) のAdj. R}

2

_{=0.410よりも向上。}

-.004

1

2

3

4

5

6

7

8

9

10

-.004

1

2

3

4

5

6

7

8

9

10

0

1

2

3

4

5

6

7

8

9

10

0

1

2

3

4

5

6

7

8

9

10

7

7 賃料とマクロ変量の関係

賃料とマクロ変量の関係

7.

7.賃料とマクロ変量の関係

賃料とマクロ変量の関係

◆構築されたモデルの例

仙台 札幌 全就業者数のVEC(l 2）モデル

・仙台、札幌、全就業者数のVEC(lag2）モデル

Variable

y

1 t-1

y

2 t-1

y

3 t-1

C

Error Collection

Variable

y

1,t 1

y

2,t 1

y

3,t 1

C

y

1,t

仙台

Coefficient

1.000

-0.521

-2.782

19.937

y

2,t

札幌

Std. Error

-

-0.057

-0.339

-y

3,t

全就業者数

t-Statistic

-

-9.120

-8.208

-Variable

CointEq1 Δy

_1,t-1

Δy

_1,t-2

Δy

_2,t-1

Δy

_2,t-2

Δy

_3,t-1

Δy

_3,t-2

C

y

_1,t

Adj. R

2

Coefficient

-0.339

-0.120

-0.037

-0.371

-0.108

-0.590

-1.167

-0.008

仙台

0 502

Std E

0 068

0 122

0 101

0 066

0 080

0 408

0 407

0 001

仙台

0.502

Std. Error

-0.068

-0.122

-0.101

-0.066

-0.080

-0.408

-0.407

-0.001

t-Statistic

-5.003

-0.978

-0.372

-5.605

-1.356

-1.448

-2.868

-5.532

y

_2,t

Adj. R

2

Coefficient

0.080

0.216

-0.081

-0.111

0.032

-0.642

0.006

-0.006

札幌

-0.118

Std. Error

-0.179

-0.324

-0.266

-0.175

-0.211

-1.079

-1.078

-0.004

t-Statistic

0.445

0.666

-0.305

-0.634

0.150

-0.595

0.006

-1.500

y

_3,t

Adj. R

2

Coefficient

0.021

0.013

0.013

0.031

-0.020

0.203

0.149

0.000

全就業者数

-0.067

Std. Error

-0.030

-0.055

-0.045

-0.030

-0.036

-0.183

-0.183

-0.001

t-Statistic

0.678

0.243

0.295

1.053

-0.572

1.108

0.817

-0.664

7

7 賃料とマクロ変量の関係

賃料とマクロ変量の関係

7.

7.賃料とマクロ変量の関係

賃料とマクロ変量の関係

◆構築されたモデルの例

仙台 札幌 全就業者数のVEC(l 2）モデル

・仙台、札幌、全就業者数のVEC(lag2）モデル

020

Response of SAPPORO to SAPPOR O

020

Response of SAPPORO to EMPLOY EES_ALL

020

Response of SAPPORO to SEND AI Response to Cholesky One S.D. Innovations

100

Percent SAPPORO variance due to SAPPORO

100

Perc ent SAPPORO varianc e due to EMPLOYEES_ALL

100

Percent SAPPORO varianc e due to SENDAI Variance Decomposition -.005 .000 .005 .010 .015 .020 1 2 3 4 5 6 7 8 9 10 -.005 .000 .005 .010 .015 .020 1 2 3 4 5 6 7 8 9 10 -.005 .000 .005 .010 .015 .020 1 2 3 4 5 6 7 8 9 10

Response of EMPLOY EES_ALL to SAPPOR O Response of EMPLOY EES_ALL to EMPLOY EES_ALL Response of EMPLOY EES_ALL to SEND AI

0 20 40 60 80 1 2 3 4 5 6 7 8 9 10 0 20 40 60 80 1 2 3 4 5 6 7 8 9 10 0 20 40 60 80 1 2 3 4 5 6 7 8 9 10 100

Percent EMPLOYEES_ALL vari ance due to SAPPORO

100

Percent EMPLOYEES_ALL vari anc e due to EMPLOYEES_ALL

100

Percent EMPLOYEES_ALL variance due to SENDAI

-.002 -.001 .000 .001 .002 .003 .004 1 2 3 4 5 6 7 8 9 10 -.002 -.001 .000 .001 .002 .003 .004 1 2 3 4 5 6 7 8 9 10 -.002 -.001 .000 .001 .002 .003 .004 1 2 3 4 5 6 7 8 9 10

R esponse of SEN D AI to SAPPORO R esponse of SEN DAI to EMPLOY EES_ALL R esponse of SEN DAI to SEN DAI

0 20 40 60 80 100 1 2 3 4 5 6 7 8 9 10 0 20 40 60 80 100 1 2 3 4 5 6 7 8 9 10 0 20 40 60 80 100 1 2 3 4 5 6 7 8 9 10

Perc ent SENDAI varianc e due to SAPPORO Percent SENDAI variance due to EMPLOYEES_ALL Percent SENDAI variance due to SENDAI

-.004 -.002 .000 .002 .004 .006 .008 1 2 3 4 5 6 7 8 9 10 -.004 -.002 .000 .002 .004 .006 .008 1 2 3 4 5 6 7 8 9 10 -.004 -.002 .000 .002 .004 .006 .008 1 2 3 4 5 6 7 8 9 10 0 20 40 60 80 100 1 2 3 4 5 6 7 8 9 10 0 20 40 60 80 100 1 2 3 4 5 6 7 8 9 10 0 20 40 60 80 100 1 2 3 4 5 6 7 8 9 10

8

8 都市毎の賃料と空室率

都市毎の賃料と空室率

就業者数の関係

就業者数の関係

8.

8. 都市毎の賃料と空室率、就業者数の関係

都市毎の賃料と空室率、就業者数の関係

◆都市毎の賃料と空室率、就業者数の関係

・各都市の空室率、及び都道府県別就業者数（X12による季節調整を

施す。）を用いて各都市の賃料変動率を説明するモデルを構築する。

◆構築するモデル

・賃料変動率、空室率変動率の2変量VARモデル、VECモデル

賃料変動率 就業者数変動率の2変量VAR デル V C デル

・賃料変動率、就業者数変動率の2変量VARモデル、VECモデル

・賃料変動率、空室率変動率、就業者数変動率の3変量VARモデル、

VECモデル

8

8 都市毎の賃料と空室率

都市毎の賃料と空室率

就業者数の関係

就業者数の関係

8.

8. 都市毎の賃料と空室率、就業者数の関係

都市毎の賃料と空室率、就業者数の関係

◆各都市の空室率、就業者数

・空室率

・就業者数

・空室率

・就業者数

-2.8 -2.4 VA__5WARDS -2.4 -2.3 -2.2 VA_OSAKA -2.6 -2.4 VA_NAGOYA 11.09 11.10 EM P__5WARDS 8.82 8.84 8.86 EM P_OSAKA 8.38 8.40 8.42 EM P_NAGOYA -4.4 -4.0 -3.6 -3.2 1998 2000 2002 2004 2006 2008 -2.9 -2.8 -2.7 -2.6 -2.5 1998 2000 2002 2004 2006 2008 -3.4 -3.2 -3.0 -2.8 1998 2000 2002 2004 2006 2008 -2.2 VA_YOKOHAM A -2.0 VA_SENDAI -2.0 VA_SAPPORO 11.05 11.06 11.07 11.08 1998 2000 2002 2004 2006 2008 8.72 8.74 8.76 8.78 8.80 1998 2000 2002 2004 2006 2008 8.30 8.32 8.34 8.36 1998 2000 2002 2004 2006 2008 8.30 EM P_YOKOHAM A 8 42 8.43 EM P_SENDAI 7.075 EM P_SAPPORO -3.4 -3.2 -3.0 -2.8 -2.6 -2.4 1998 2000 2002 2004 2006 2008 -3.6 -3.2 -2.8 -2.4 1998 2000 2002 2004 2006 2008 -3.4 -3.2 -3.0 -2.8 -2.6 -2.4 -2.2 1998 2000 2002 2004 2006 2008 VA FUKUOKA 8.20 8.22 8.24 8.26 8.28 1998 2000 2002 2004 2006 2008 8.36 8.37 8.38 8.39 8.40 8.41 8.42 1998 2000 2002 2004 2006 2008 7.045 7.050 7.055 7.060 7.065 7.070 1998 2000 2002 2004 2006 2008 EM P_FUKUOKA -3.4 -3.2 -3.0 -2.8 -2.6 -2.4 -2.2 -2.0 VA_FUKUOKA 7.86 7.88 7.90 7.92 7.94 1998 2000 2002 2004 2006 2008 3.4 1998 2000 2002 2004 2006 2008 1998 2000 2002 2004 2006 2008

8

8 都市毎の賃料と空室率

都市毎の賃料と空室率

就業者数の関係

就業者数の関係

8.

8. 都市毎の賃料と空室率、就業者数の関係

都市毎の賃料と空室率、就業者数の関係

◆構築されたモデルの例

東京 東京の空室率のVEC(l 3）モデル

・東京、東京の空室率のVEC(lag3）モデル

Variable

y

_{1 t 1}

y

_{2 t 1}

C

Error Collection

Variable

y

_1,t-1

y

_2,t-1

C

y

_1,t

東京

Coefficient

1.000

1.290

-5.443

y

_2,t

東京空室率

Std. Error

-

-0.410

-t-Statistic

-

3.145

-Variable

CointEq1 Δy

_1,t-1

Δy

_1,t-2

Δy

_1,t-3

Δy

_2,t-1

Δy

_2,t-2

Δy

_2,t-3

C

y

_1,t

Adj. R

2

Coefficient

-0.019

0.009

-0.012

0.156

-0.010

0.004

0.032

0.000

東京

東京

0.525

Std. Error

-0.006

-0.158

-0.159

-0.165

-0.020

-0.020

-0.021

-0.001

t-Statistic

-3.344

0.056

-0.077

0.949

-0.503

0.224

1.529

-0.136

y

2,t

Adj. R

2

Coefficient

-0.025

1.564

-0.228

-0.602

0.372

0.539

-0.174

-0.002

東京空室率 0.371

Std. Error

-0.050

-1.414

-1.425

-1.474

-0.181

-0.179

-0.188

-0.013

t-Statistic

-0 492

1 106

-0 160

-0 408

2 054

3 009

-0 926

-0 147

t Statistic

0.492

1.106

0.160

0.408

2.054

3.009

0.926

0.147

8

8 都市毎の賃料と空室率

都市毎の賃料と空室率

就業者数の関係

就業者数の関係

8.

8. 都市毎の賃料と空室率、就業者数の関係

都市毎の賃料と空室率、就業者数の関係

◆構築されたモデルの例

東京 東京の空室率のVEC(l 3）モデル

・東京、東京の空室率のVEC(lag3）モデル

Response of VA__5WARDS to VA__5WARDS

Response of VA__5WARDS to _5WARDS

Response to Cholesky One S.D. Innovations

Percent VA

5WARDS variance due to VA

5WARDS

Percent VA

5WARDS variance due to 5WARDS

Variance Decomposition

.08

.12

.16

.20

.08

.12

.16

.20

40

60

80

100

Percent VA__5WARDS variance due to VA__5WARDS

40

60

80

100

Percent VA__5WARDS variance due to _5WARDS

.00

.04

1

2

3

4

5

6

7

8

9

10

.00

.04

1

2

3

4

5

6

7

8

9

10

.01

Response of _5WARDS to VA__5WARDS

.01

Response of _5WARDS to _5WARDS

0

20

1

2

3

4

5

6

7

8

9

10

0

20

1

2

3

4

5

6

7

8

9

10

100

Percent _5WARDS variance due to VA__5WARDS

100

Percent _5WARDS variance due to _5WARDS

-.02

-.01

.00

-.02

-.01

.00

20

40

60

80

20

40

60

80

⇒東京のAdj.R

2

_{=0.525は、ARMA(2,4) のAdj. R}

2

_{=0.410よりも向上。}

-.03

1

2

3

4

5

6

7

8

9

10

-.03

1

2

3

4

5

6

7

8

9

10

0

1

2

3

4

5

6

7

8

9

10

0

1

2

3

4

5

6

7

8

9

10

9

9 まとめ

まとめ

9.

9. まとめ

まとめ

◆分析結果の総括（各都市において最も説明力の高いモデルをマーク）

都市

モデル

Adj. R

2

モデル

Adj. R

2

モデル

Adj. R

2

モデル

Adj. R

2

モデル

Adj. R

2

東京

ARMA(2,4)

0.410

大阪(lag3)

0.426

大阪

ARMA(4,3)

0.546

名古屋

ARMA(2 3)

0 390

東京 仙台(l 1)

0 427

ARMA

二都市VAR

二都市VEC

三都市VAR

三都市VEC

名古屋

ARMA(2,3)

0.390

東京、仙台(lag1)

0.427

横浜

ARMA(3,2)

0.404

仙台

ARMA(4,3)

0.142

札幌(lag1)

0.265

東京、札幌(lag1)

0.341 名古屋、札幌(lag1)

0.255

札幌

ARMA(4,4)

0.631

福岡

ARMA(3,3)

0.281

大阪(lag4)

0.399

都市

モデル Adj. R

2

_モデル

Adj. R

2

モデル

Adj. R

2

モデル Adj. R

2

_モデル

Adj. R

2

モデル

Adj. R

2

東京

Prime rate(lag4)

0.613

大阪

名古屋

横浜、DI lender(lag1)

0 433

2都市、1マクロVEC

2都市、1マクロVAR

1都市、2マクロVEC

1都市、2マクロVAR

マクロVEC

マクロVAR

名古屋

横浜、DI_lender(lag1)

0.433

横浜

Employees_real(lag3)

0.447

仙台、GDP(lag2)

0.546

仙台

Employees_all(lag2)

0.218

札幌、Employees_all(lag2）

_0.502

札幌

福岡

Employees_all(lag3)

0.474

大阪、Nikkei_iw(lag2）

0.522

都市

モデル Adj. R

2

_モデル

_{Adj. R}

2

_モデル

_{Adj. R}

2

_モデル

_{Adj. R}

2

_モデル

_{Adj. R}

2

_モデル

_{Adj. R}

2

東京

VAR(lag3)

0.418 VEC(lag3)

0.525 VEC(lag3)

0.495

大阪

名古屋

空室率VAR

就業者数VAR

空室率VEC

就業者数VEC

空室率、就業者数VAR 空室率、就業者数VEC

名古屋

横浜

仙台

札幌

9

9 まとめ

まとめ

9.

9. まとめ

まとめ

◆各都市の賃料変動率の類型化

(1)自己完結型

：大阪、札幌

デ

(ARMAモデル）

(2)東京依存型

：（仙台）、（名古屋）、（福岡）

(東京を含むモデル）

(東京を含むモデル）

(3)他都市依存型

：名古屋、横浜、仙台、福岡、(東京)

(東京以外の都市を含むモデル）

(東京以外の都市を含むモデル）

(4)マクロ依存型

：東京、名古屋、横浜、仙台、福岡

(マクロ変量を含むモデル）

(マクロ変量を含むモデル）

(5)ローカル経済依存型 ：（東京）、（福岡）

(自都市の空室率等を含むモデル）

(自都市の空室率等を含むモデル）

9

9 まとめ

まとめ

9.

9. まとめ

まとめ

◆各都市毎の考察

東京 マクロ変量や自都市の空室率や就業者数により説明力が向上している

・東京：マクロ変量や自都市の空室率や就業者数により説明力が向上している

点は不動産市場の実務の考えと概ね一致。

・大阪：自己完結型に分類されており 実務上の考えとは異なる

・大阪：自己完結型に分類されており、実務上の考えとは異なる。

・名古屋：マクロ変量の影響を受けている点は、実務上の考えと一致するが、

モデルに用いられたマクロ変量は実務上想定していないものである

モデルに用いられたマクロ変量は実務上想定していないものである。

・横浜：東京に付随する形で変動するという考えとは異なる結果が得られたが、

全就業者数により説明力が向上する点は実務上の考えと整合的である。

全就業者数により説明力が向上する点は実務上の考えと整合的である。

・仙台：札幌の影響を受けている様子が明らかになった。これは実務上考えられ

ていないが、比較的近接している都市であるためそれほど違和感はない。

な

、比較的近接

る都市 ある

それ

違和感

な 。

・札幌：実務上の考え通り自己完結型という結果が得られた。

・福岡：比較的近接している大阪の影響を受けていることはそれほど違和感は

ないが、マクロ変量の影響を受けている点は実務上の考えとは異なる。

9

9 まとめ

まとめ

9.

9. まとめ

まとめ

◆まとめ

・各都市の賃料変動率について、それぞれ最も高い説明力

を持つモデルを構築

を持つモデルを構築。

・構築されたモデルの種類に応じて各都市の賃料変動率

構築されたモデルの種類に応じて各都市の賃料変動率

の動向を類型化。

・結果として、実務上の考え（仮説）と一致する都市と一致

しない都市があることを解明。

10

10 参考文献

参考文献

10.

10.参考文献

参考文献

◆参考文献

・森政治

「計量経済学的アプローチによるオフィスビルのキャッシュフロー

決定モデルとリスク分析」、一橋大学院国際企業戦略研究科

金融戦略コース（2005)

・Mukesh K. Chaudhry, F.C.Neil Myer, James R. Webb.

“ Stationarity and Cointegration in Systems with Real Estate and

Stationarity and Cointegration in Systems with Real Estate and

Financial Assets,”Journal of Real Estate Finance and Economics

18:3 (1999), 339-349.